CN112765873B - 一种基于lstm算法的变电设备发热预测方法 - Google Patents

一种基于lstm算法的变电设备发热预测方法 Download PDF

Info

Publication number
CN112765873B
CN112765873B CN202011380485.3A CN202011380485A CN112765873B CN 112765873 B CN112765873 B CN 112765873B CN 202011380485 A CN202011380485 A CN 202011380485A CN 112765873 B CN112765873 B CN 112765873B
Authority
CN
China
Prior art keywords
temperature
hot spot
lstm
output
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011380485.3A
Other languages
English (en)
Other versions
CN112765873A (zh
Inventor
廖毅
罗炜
蒋峰伟
胡忠山
李星辰
石延辉
洪乐州
杨洋
于大洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Guangzhou Bureau of Extra High Voltage Power Transmission Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Bureau of Extra High Voltage Power Transmission Co filed Critical Guangzhou Bureau of Extra High Voltage Power Transmission Co
Priority to CN202011380485.3A priority Critical patent/CN112765873B/zh
Publication of CN112765873A publication Critical patent/CN112765873A/zh
Application granted granted Critical
Publication of CN112765873B publication Critical patent/CN112765873B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种基于LSTM算法的变电设备发热预测方法，涉及变电设备监测技术领域，该方法包括获取影响变电设备的热点温度的数据，其中，所述数据包括正常相温度、环境温度、季节和运行电流/功率；将正常相温度、环境温度、季节和运行电流/功率作为预测模型的输入变量，将热点温度作为输出变量，基于历史数据构建数据样本集；将数据样本集进行归一化处理后按照一定比例划分成训练集和测试集；将训练集输入LSTM预测模型中，通过LSTM预测模型对训练集中的数据进行建模；根据热点温度和相对温差判断缺陷性质。本发明利用长短期记忆网络算法预测多源因素影响下设备热点温度，实现设备热点温度发展趋势和缺陷严重程度的动态预测。

Description

一种基于LSTM算法的变电设备发热预测方法
技术领域
本发明涉及变电设备监测技术领域，具体涉及一种基于LSTM算法的变电设备发热预测 方法。
背景技术
基于人工智能的红外图像识别技术，能够识别红外测温图像中的发热点并计算温差指标， 在机器人巡检中能够代替人工发现缺陷。但是上述针对变电设备发热的诊断是在缺陷发生后， 单纯的依靠温差阈值仅能判断设备的当前状态，无法对其发热趋势进行跟踪预测。环境温度 和负载升高，有可能导致设备绝对温度的进一步升高，缺陷由一般发展为严重缺陷，但在迎 峰度夏、度冬封网期间，设备不易停电处理。因此需要新的手段对变电设备热点温度、相对 温差进行预测，在迎峰度夏之前进行预见性检修。
设备状态并不能单纯依据红外测温指标来评判，还要结合设备的电压等级、厂家型号、 运行年限、环境天气等运行因素做出综合评价和判断。这种分析需要依赖运维检修人员的经 验和专业水平，这些需要长期积累，并且因人而异，难以实现标准化，难以保证延续性。而 且在运维实际中，这些多维度、多来源的数据往往不完整，存在大量错误信息，给缺陷的综 合评判带来困难。
发明内容
针对现有技术中的不足，本发明提供一种基于LSTM算法的变电设备发热预测方法，以 变电设备历史运行功率、热点温度、环境温度等检测数据为基础，利用长短期记忆网络算法 预测多源因素影响下设备热点温度，实现设备热点温度发展趋势和缺陷严重程度的动态预测。
为实现上述目的，本发明的技术方案如下：
一种基于LSTM算法的变电设备发热预测方法，包括以下步骤：
获取影响变电设备的热点温度的数据，其中，所述数据包括正常相温度、环境温度、季 节和运行电流/功率；
将正常相温度、环境温度、季节和运行电流/功率作为预测模型的输入变量，将热点温度 作为输出变量，基于历史数据构建数据样本集；
将数据样本集进行归一化处理后按照一定比例划分成训练集和测试集；
将训练集输入LSTM预测模型中，通过LSTM预测模型对训练集中的数据进行建模；
将t时刻的正常相温度、环境温度、季节、运行电流状态参数输入训练好的LSTM预测模 型中，得到t+1时刻热点温度的预测值；
根据热点温度和相对温差判断缺陷性质；
依据红外检测电流致热缺陷知识库和红外检测电压致热标准缺陷库，针对不同设备部位 的发热情况提供缺陷原因和处理措施，辅助现场运维决策。
如上所述的基于LSTM算法的变电设备发热预测方法，进一步地，
训练过程中，确定LSTM预测模型输入的节点数和隐含层神经元个数以及输出结果，由 tanh和sigmoid函数的输出相乘得到网络的输出热点温度；
在每个层级内，采用BPTT算法提升LSTM预测模型对时间序列的学习能力，选取对数似 然函数作为损失函数，输入层的神经元个数选取为4个，输入的时序变量为{x1,x2,...xT}，其 中在采样时刻t神经元的输入时间序列为xt＝[It(1)，It(2)，...It(4)]；输出变量为热点温度；神经 网络选择2层LSTM，最后连接一个全连接层后通过一个激活函数作为最终的输出。
如上所述的基于LSTM算法的变电设备发热预测方法，进一步地，
所述LSTM预测模型包括忘记门，输入门和输出门，其中，忘记门层，读取ht-1和xt，输 出一个0到1之间的数值ft，即
ft＝σ(Wxfxt+Whfht-1+bf)
输入门层，以当前层的输入xt和上一时刻隐单元的输出ht-1作为输入，输出结果it作为将 要更新的信息，即
it＝σ(Wxixi+Whiht-1+bi)
然后进行细胞状态更新，新的细胞状态Ct由旧的状态和忘记门、输入门的输出结果决定， 即
Figure BDA0002808337120000021
Figure BDA0002808337120000022
输出门层，运行一个sigmoid层决定细胞状态的哪部分将输出，然后，把细胞状态通过一 个tanh进行处理并将它和sigmoid门的输出相乘作为输出，即
ot＝σ(Wxoxt+Whoht-1+bo)
式中σ和tanh为激活函数；Wx代表输入层到隐含层的权重；Wh代表递归连接的权重；b 代表偏置项。
如上所述的基于LSTM算法的变电设备发热预测方法，进一步地，
训练过程中为评估预测值和实际值之间的偏差大小，选取平均绝对误差作为损失函数评 价训练效果；以损失函数值最小为目标不断训练优化神经网络参数，直到平均绝对误差小于 设定阈值并保存训练模型。
如上所述的基于LSTM算法的变电设备发热预测方法，进一步地，
平均绝对误差的计算公式为：
Figure BDA0002808337120000031
式中，m表示样本数，yi和
Figure BDA0002808337120000032
为i时刻热点温度的实际值和预测值。
1、本发明与现有技术相比，其有益效果在于：在充分考虑变电设备发热受运行工况影响 的基础上，利用长短期记忆网络构建变电设备热点温度预测模型，解决无法跟踪预测发热趋 势的运维现状。
2、通过热点温度预测模型，可获取在环境温度和负载升高的工况下热点温度状态值，根 据缺陷判断导则判定缺陷性质，从而提前消缺。
建立的温度预测模型可有效的预测热点温度发展趋势，辅助现场人员在迎峰度夏之前进 行预见性检修。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图进 行简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普 通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的方法流程图；
图2为本发明实施例的A相油温训练集和测试集损失值对比图；
图3为本发明实施例的A相绕组温度真实值和预测值对比图；
图4为本发明实施例的红外检测图谱。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描 述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中 的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都 属于本申请保护的范围。
实施例：
需要说明的是，本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在 于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不 必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、 产品或设备固有的其它步骤或单元。
参见图1至图4，图1为本发明实施例的方法流程图；图2为本发明实施例的A相油温训练集和测试集损失值对比图；图3为本发明实施例的A相绕组温度真实值和预测值对比图； 图4为本发明实施例的红外检测图谱。
一种基于LSTM算法的变电设备发热预测方法，包括以下步骤：
步骤1：模型输入输出变量的选取。根据热点温度影响因素，选取正常相温度、环境温 度、季节、运行电流/功率，作为预测模型的输入变量，输出变量为热点温度。基于历史数据 构建数据样本集。将数据集数据进行归一化，并按照一定比例划分成训练集和测试集。
步骤2：将训练数据输入LSTM预测模型中，通过LSTM对训练集中的数据进行建模，确 定LSTM网络输入的节点数和隐含层神经元个数以及输出结果，由tanh和sigmoid函数的输出相 乘得到网络的输出热点温度。在每个层级，LSTM模型训练采用BPTT算法提升其对时间序列 的学习能力，选取对数似然函数作为损失函数。输入层的神经元个数选取为4个，输入的时 序变量为{x1,x2,...xT}，其中在采样时刻t神经元的输入时间序列为xt＝[It(1)，It(2)，...It(4)]。输 出变量为热点温度。神经网络选择2层LSTM，最后连接一个全连接层后通过一个激活函数 作为最终的输出。
步骤3：将t时刻的正常相温度、环境温度、季节、运行电流状态参数输入步骤2中的训 练模型，得到t+1时刻热点温度的预测值。
步骤4：根据热点温度和相对温差判断缺陷性质。相对温差计算公式为：
δ＝(T1-T2)/(T1-T0)*100％
其中T1为预测的热点温度，T2正常相温度，T0为环境温度。T2和T0选取历史同期时的检 测数据。
步骤5：结合红外检测缺陷知识库，针对不同设备部位的发热情况提供缺陷原因和处理 措施，辅助现场运维决策。
如上述的LSTM网络模型，基本网络包括忘记门，输入门和输出门。忘记门层，读取ht-1和xt，输出一个0到1之间的数值ft，计算公式如下：
ft＝σ(Wxfxt+Whfht-1+bf) (1)
输入门层，以当前层的输入xt和上一时刻隐单元的输出ht-1作为输入，输出结果it作为将 要更新的信息，公式如下：
it＝σ(Wxixi+Whiht-1+bi) (2)
然后进行细胞状态更新，新的细胞状态Ct由旧的状态和忘记门、输入门的输出结果决定， 公式如下：
Figure BDA0002808337120000051
Figure BDA0002808337120000052
输出门层，运行一个sigmoid层决定细胞状态的哪部分将输出出去。接着，把细胞状态通 过一个tanh进行处理并将它和sigmoid门的输出相乘作为输出。
ot＝σ(Wxoxt+Whoht-1+bo) (5)
ht＝ot*tanh(Ct) (6)
式中σ和tanh为激活函数；Wx代表输入层到隐含层的权重；Wh代表递归连接的权重；b 代表偏置项。
训练过程中为评估预测值和实际值之间的偏差大小，选取平均绝对误差作为损失函数评 价训练效果。以损失函数值最小为目标不断训练优化神经网络参数，直到达到较好效果并保 存训练模型。平均绝对误差计算方法为：
Figure BDA0002808337120000053
式中，m表示样本数，yi和
Figure BDA0002808337120000054
为i时刻热点温度的实际值和预测值。
具体实施例：
搜集2015年至今的多组设备同一部位发热数据进行分析，数据间隔为1个月。根据检测 时间将季节因素转换成1，2，3，4量化的变量。输入的样本数据如表1所示。
表1数据样本
Figure BDA0002808337120000055
基于LSTM算法的预测模型建立在Python3.6环境以及Keras、Scikit-learn、Tensorflow 等函数库。将训练样本集中的状态监测信息作为网络的输入，对网络模型进行离线训练，首 先对参数进行初始化，设置学习步长为0.01，输入维度为4，输出层节点个数为1，权重参数 矩阵所有元素初始化为(-1,1)，将误差限值设置为1×10-2，设置迭代次数为500次，对样本 进行离线训练，从而得到热点温度预测模型。
本文以某800kV换流站A、B、C三相历史数据为例，采用监测和运维数据共计1745条数据，前1545项数据作为训练集，后200项数据作为测试集输入预测模型。选取绕组正常相温度、环境温度、整流侧有功功率为状态变量，预测每一相的绕组温度。
以预测A相绕组温度变化为例，训练数据集的损失值收敛速度很快，如图2所示，迭代 20次之后损失值便接近预期水平，迭代40次之后损失值稳定在最低水平0.0084，满足最低 误差要求，所有训练样本误差小于阈值。
如图3所示为A相绕组温度真实值和预测值的情况，可以看出真实值和预测值的波形和 走势基本一致，重合程度高，预测值的振幅略小于真实值，尤其当真实值的振动幅度较大时， 预测值难以达到真实值的变化速度，当真实值波动较为稳定时，曲线贴合程度较高。总体来 看，预测具有较高的准确性。
将上述训练模型应用到变电站设备热点温度趋势预测中。2019年8月对某220kV变电站 1号变压器进行红外测温，发现110kV侧套管B相柱头存在发热，最高温度为71℃，相对温 差为69.5％，判断为一般缺陷。10月进行复测，最高温度为73.6℃，相对温差为71.5％，温 度虽然有所上升，但仍未达到严重缺陷。随后按照检测周期继续跟踪检测，不同时间的检测 数据如表2所示。
分析表1的检测数据可知，环境温度和负载的降低，导致设备的绝对温度降低，但发热 缺陷仍未消失。且随着环境温度和负载的升高，相对温差以达到79％，接近严重缺陷指标80％。 利用上述训练好的LSTM热点温度预测模型，根据历史同期正常相温度、环境温度、季节、 运行电流数据输入模型，两组输入数据如表3所示。根据预测模型最终得到相应的热点温度， 分别为82.3℃和94.3℃。计算相对温差分别为81.5％、58.6％。根据缺陷严重程度判断标准， 90℃≤热点温度≤130℃或δ≥80％但热点温度未达紧急缺陷温度值，判断1号主变110kV侧 套管B相柱头发热属于严重缺陷。
表2数据样本
Figure BDA0002808337120000061
Figure BDA0002808337120000071
表3历史同期检测数据
Figure BDA0002808337120000072
根据LSTM热点温度预测可知，随着环境温度和负载的升高，缺陷由一般发展为严重缺 陷。而在迎峰度夏期间，不易停电处理。通过对变电设备热点温度、相对温差进行预测，在 迎峰度夏之前可进行预见性检修。结合表4红外检测电流致热缺陷知识库和表5红外检测电 压致热标准缺陷库，该部位发热的原因可能是柱头老化、松动，按照检修工艺对柱头连接处 进行打磨，涂抹导电膏，更换并紧固螺栓，消除缺陷。
表4红外检测电流致热缺陷知识库
Figure BDA0002808337120000073
Figure BDA0002808337120000081
Figure BDA0002808337120000091
表5红外检测电压致热标准缺陷库
Figure BDA0002808337120000092
Figure BDA0002808337120000101
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技 术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本 发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (3)

1.一种基于LSTM算法的变电设备发热预测方法，其特征在于，包括以下步骤：
获取影响变电设备的热点温度的数据，其中，所述数据包括正常相温度、环境温度、季节和运行电流/功率；
将正常相温度、环境温度、季节和运行电流/功率作为预测模型的输入变量，将热点温度作为输出变量，基于历史数据构建数据样本集；
将数据样本集进行归一化处理后按照一定比例划分成训练集和测试集；
将训练集输入LSTM预测模型中，通过LSTM预测模型对训练集中的数据进行建模；
将t时刻的正常相温度、环境温度、季节、运行电流状态参数输入训练好的LSTM预测模型中，得到t+1时刻热点温度的预测值；
根据热点温度和相对温差判断缺陷性质；其中，相对温差计算公式为：
δ＝(T1-T2)/(T1-T0)*100％
其中T1为预测的热点温度，T2正常相温度，T0为环境温度；T2和T0选取历史同期时的检测数据；
依据红外检测电流致热缺陷知识库和红外检测电压致热标准缺陷库，针对不同设备部位的发热情况提供缺陷原因和处理措施，辅助现场运维决策；
训练过程中，确定LSTM预测模型输入的节点数和隐含层神经元个数以及输出结果，由tanh和sigmoid函数的输出相乘得到网络的输出热点温度；
在每个层级内，采用BPTT算法提升LSTM预测模型对时间序列的学习能力，选取对数似然函数作为损失函数，输入层的神经元个数选取为4个，输入的时序变量为{x1,x2,...xT}，其中在采样时刻t神经元的输入时间序列为xt＝[It(1),It(2),...It(4)]；输出变量为热点温度；神经网络选择2层LSTM，最后连接一个全连接层后通过一个激活函数作为最终的输出；
所述LSTM预测模型包括忘记门，输入门和输出门，其中，忘记门层，读取ht-1和xt，输出一个0到1之间的数值ft，即
ft＝σ(Wxfxt+Whfht-1+bf)
输入门层，以当前层的输入xt和上一时刻隐单元的输出ht-1作为输入，输出结果it作为将要更新的信息，即
it＝σ(Wxixi+Whiht-1+bi)
然后进行细胞状态更新，新的细胞状态Ct由旧的状态和忘记门、输入门的输出结果决定，即
Figure FDA0003231127030000011
Figure FDA0003231127030000021
输出门层，运行一个sigmoid层决定细胞状态的哪部分将输出，然后，把细胞状态通过一个tanh进行处理并将它和sigmoid门的输出相乘作为输出，即
ot＝σ(Wxoxt+Whoht-1+bo)
式中σ和tanh为激活函数；Wx代表输入层到隐含层的权重；Wh代表递归连接的权重；b代表偏置项。
2.根据权利要求1所述的基于LSTM算法的变电设备发热预测方法，其特征在于，
训练过程中为评估预测值和实际值之间的偏差大小，选取平均绝对误差作为损失函数评价训练效果；以损失函数值最小为目标不断训练优化神经网络参数，直到平均绝对误差小于设定阈值并保存训练模型。
3.根据权利要求1所述的基于LSTM算法的变电设备发热预测方法，其特征在于，
平均绝对误差的计算公式为：
Figure FDA0003231127030000022
式中，m表示样本数，yi和
Figure FDA0003231127030000023
为i时刻热点温度的实际值和预测值。
CN202011380485.3A 2020-11-30 2020-11-30 一种基于lstm算法的变电设备发热预测方法 Active CN112765873B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011380485.3A CN112765873B (zh) 2020-11-30 2020-11-30 一种基于lstm算法的变电设备发热预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011380485.3A CN112765873B (zh) 2020-11-30 2020-11-30 一种基于lstm算法的变电设备发热预测方法

Publications (2)

Publication Number Publication Date
CN112765873A CN112765873A (zh) 2021-05-07
CN112765873B true CN112765873B (zh) 2021-11-02

Family

ID=75693346

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011380485.3A Active CN112765873B (zh) 2020-11-30 2020-11-30 一种基于lstm算法的变电设备发热预测方法

Country Status (1)

Country Link
CN (1) CN112765873B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112910288B (zh) * 2020-12-08 2022-08-09 上海交通大学 一种基于逆变器散热器温度预测的过温预警方法
CN113204919B (zh) * 2021-05-10 2022-07-08 国网江苏省电力有限公司泰州供电分公司 基于数字孪生的主变油枕状态预测方法、装置及电子设备
CN113610217B (zh) * 2021-07-14 2024-04-02 中国铁道科学研究院集团有限公司电子计算技术研究所 客运站环境温度预测方法及装置
CN113344475B (zh) * 2021-08-05 2021-12-31 国网江西省电力有限公司电力科学研究院 基于序列模态分解的变压器套管缺陷识别方法及系统
CN113990472B (zh) * 2021-10-28 2023-03-24 上海昆亚医疗器械股份有限公司 一种智能监控医疗设备的方法、装置及计算机可读存储介质
CN114492212B (zh) * 2022-04-15 2022-07-12 石家庄科林物联网科技有限公司 低压配电网动态增容方法、装置、终端及存储介质
CN116415510B (zh) * 2023-06-12 2023-09-12 国网江西省电力有限公司电力科学研究院 基于相空间重构和神经网络的断路器温升预测方法及系统
CN117034786B (zh) * 2023-10-09 2024-01-05 山东芯赛思电子科技有限公司 一种igbt结温预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012003486A1 (en) * 2010-07-01 2012-01-05 Neodana, Inc. A system and method for virtualization and cloud security
CN111460610B (zh) * 2020-02-27 2022-04-08 中国南方电网有限责任公司超高压输电公司广州局 一种换流阀tvm板发热预测方法、系统、装置及介质
CN111928429A (zh) * 2020-08-25 2020-11-13 北京大学深圳研究生院 数据中心制冷系统的节能控制方法与装置

Also Published As

Publication number Publication date
CN112765873A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN112765873B (zh) 一种基于lstm算法的变电设备发热预测方法
CN110221225B (zh) 一种航天器锂离子电池循环寿命预测方法
CN111813084B (zh) 一种基于深度学习的机械装备故障诊断方法
CN106251059B (zh) 一种基于概率神经网络算法的电缆状态评估方法
CN111401657B (zh) 一种基于支持向量回归算法的变压器热点温度时序预测方法
KR102656115B1 (ko) 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치
CN116167527B (zh) 纯数据驱动的电力系统静态安全运行风险在线评估方法
Xue et al. An improved generic hybrid prognostic method for RUL prediction based on PF-LSTM learning
CN113011680A (zh) 一种电力负荷预测方法及系统
CN117498521A (zh) 光伏储能系统的充电控制方法及系统
CN112734131A (zh) 一种基于深度学习算法的风机叶片覆冰状态预测方法
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
CN113919545A (zh) 一种多数据模型融合的光伏发电功率预测方法和系统
CN112580254B (zh) 一种基于多级决策融合的换流变多维度分析和预警方法
CN117273440A (zh) 基于深度学习的工程施工物联网监测管理系统及方法
CN117394529A (zh) 基于scada的主配网合环倒供电控制条件辅助决策方法及系统
CN113758652A (zh) 换流变压器漏油检测方法、装置、计算机设备和存储介质
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN116401545A (zh) 一种多模型融合的水轮机振摆分析方法
CN117077052A (zh) 一种基于工况识别的干式变压器异常检测方法
CN116451322A (zh) 基于贝叶斯优化的lstm深度学习网络的力学预测方法
Jiang et al. Health assessment of wind turbine gearbox via parallel ensemble and fuzzy derivation collaboration approach
CN113393102A (zh) 一种基于数据驱动的配电变压器运行状态趋势预测方法
Liu et al. A prognostics approach based on feature fusion and deep BiLSTM neural network for aero-engine
CN116953529B (zh) 一种基于数据融合的锂离子动力电池健康评估方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant